用python爬取链家二手房楼盘_爬取链家获取楼盘信息

前言

想看下最近房价是否能入手，抓取链家 二手房 、 新房 的信息，发现广州有些精装修 88平米 的 3房2厅 首付只要 29 万！平均 1.1万/平：

查看请求信息

本次用的是火狐浏览器32.0配合 firebug 和 httpfox 使用，基于 python3 环境，前期步骤：

1.首先打开 firefox 浏览器，清除网页所有的历史纪录，这是为了防止以前的 Cookie 影响服务器返回的数据。

2.F12 打开 firebug ，进入链家手机端首页https://m.lianjia.com，点击 网络 -> 头信息 ，查看请求的头部信息。

 

发现请求头信息如下，这个是后面要模拟的：

 

查看导航链接

点击 firebug 的查看元素箭头，选中导航查看元素：

发现导航的主要是在 class=inner post_ulog 的超链接元素 a 里面，这里用 BeautifulSoup 抓取名称和 href 就好，最后组成一个字典：

 

结果如下：

{'海外':'/i/','卖房':'/bj/yezhu/','新房':'/bj/loupan/fang/','找小区':'/bj/xiaoqu/','查成交':'/bj/chengjiao/','租房':'/chuzu/bj/zufang/','二手房':'/bj/ershoufang/index/','写字楼':'https://shang.lianjia.com/bj/'}

获取城市编码

点击页面低于按钮，获取城市编码：

发现城市的编码主要在 class=block city_block 的 div 里面，如下抓取所有就好，这里需要的是广州，广州的城市编码是 gz ：

 

结果如下：

 

模拟请求二手房

点击二手房链接进入二手房列表页面，发现列表页面的 url 是 https://m.lianjia.com/bj/ershoufang/index/ ，把网页往下拉进行翻页，发现下一页的 url 构造为：

只是在原来的网址后面添加了页码 pg1 ，但是在 httpfox 里面惊奇的发现了一段 json：

对于爬虫的各位作者有个忠告：能抓取json就抓取json！* json 是一个 API 接口，相比于网页来说更新频率低，网页架构很容易换掉，但是 API 接口一般不会换掉，且换掉后维护的成本比网页低。试想，接口只是一个 dict ，如果更新只要在代码里面改 key 就好了；而网页更新后，需要改的是 bs4 里面的元素，对于以后开发过多的爬虫来说，维护特别麻烦！

所以对于这里肯定是抓取 json，查看头部：

头部需要携带 cookie ！

所以这里需要携带 cookie。而 requests 本身就有抓取携带 cookie 的写法。那么作者就在从获取导航链接、城市编码都获取更新 cookie。而在每一次 requests 请求的时候，返回 cookie 的代码为：

 

那么在导航链接、城市编码的时候，不仅仅返回网页的 html ，还多返回一个 cookie ：

 

然后在请求头携带 cookie ：

 

这里也模拟请求头携带 cookie 后抓取下来的 json 为：

而主要的信息在 body 里面，直接解析 html 变成 dict ，提取 body 出来：

 

发现信息都在 class=item_list 里面，直接用 bs4 抓取即可。可以抓取到的信息为：标题、标签、房子构造、面积、总价、单价、房屋朝向、详情页 url 等：

获取信息的部分代码为：

 

封装代码

为了让代码更加的和谐，这里对代码进行了封装，包括如下几个方面：

选择城市

选择查看二手房、新房等

详情页抓取页数

计算首付

按照首付升序排列

目前只写那么多了，毕竟博文只教方法给读者，更多抓取的信息需要各位读者根据自己的需求添加

下载源码

作者已经将源码放到 github 上面了，包括 3 个 py 文件：

lianjia.py ，跳转页面到详情页的代码，为主代码

GetDetail.py，抓取详情页翻页的代码

GetInfo.py，提取详情页里面信息的代码

源代码地址为：

https://github.com/TTyb/lianjia